.png){kind=icon}
返回
A Multi-Constrained Knapsack Approach for Educational Resource Allocation: Genetic Algorithm with Category- Specific Optimization
.png){kind=icon}
OA
AI
DOI：10.3390/electronics14193898.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
教育机构在将有限的教师资源分配给专业研讨会时面临复杂挑战，其中预算、容量和平衡的学科代表性必须同时满足。我们首次在教育领域通过将教师研讨会选择问题表述为具有类别特定效益乘数的多维背包问题变体来解决这一问题。为求解该问题，我们设计了一种具有约束感知的遗传算法，该算法整合了智能初始化、类别敏感算子、自适应惩罚和定向修复机制。在代表多个学术类别的真实数据集实验中，我们的方法相比最佳约束感知贪心基线，在解的质量上实现了11.5%的提升，同时保持了完美的约束满足（100%可行性），而基线方法的可行性为0–30%。统计检验证实了显著且具有实际意义的优势。为进行全面的基准测试，我们还实现了具有标准参数化的二进制粒子群优化（PSO）和禁忌搜索（TS）求解器。尽管PSO始终能产生可行的解并实现高预算利用率，但其优化质量远低于遗传算法（GA）。值得注意的是，禁忌搜索达到了最高性能，其平均适应度值为1557.3，而GA为1533.2，表明基于记忆的局部搜索对于此类问题结构具有高度竞争力。这些发现表明，元启发式方法，特别是将约束感知整合到进化或基于记忆的搜索中的方法，为复杂的、多约束的教育资源分配提供了有效且可扩展的决策支持框架。
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
2.6
论文数:
1.1W
被引数:
4.7W
机构
引用论文
分享收藏Wang, H. Balanced allocation of teaching information resources based on discrete particle swarm optimisation algorithm. Int. J. Comput. Appl. Technol. 2023, 73, 304–312. [Google Scholar] [CrossRef]王, H. 基于离散粒子群优化算法的教学信息资源均衡分配. Int. J. Comput. Appl. Technol. 2023, 73, 304–312. [Google Scholar] [CrossRef].png)
IF0
PREAI
分享收藏A Review on Constraint Handling Techniques for Population-based Algorithms: from single-objective to multi-objective optimization基于种群算法的约束处理技术综述: 从单目标到多目标优化
OAAI
OAAI分享收藏
查看更多内容